IBM y NASA han lanzado el NASA-IBM Lunar Foundation Model, una IA de código abierto diseñada para analizar y procesar décadas de información científica sobre la Luna.

IBM y la NASA crean una IA de código abierto para el estudio lunar

• La NASA y IBM han desarrollado el NASA-IBM Lunar Foundation Model, una herramienta de inteligencia artificial abierta creada para procesar y analizar las vastas cantidades de datos científicos recolectados sobre la Luna a lo largo de los años. El objetivo principal de este proyecto es optimizar la gestión de millones de imágenes y registros para facilitar la exploración espacial mediante el uso de modelos fundacionales.

IBM y NASA han presentado el NASA-IBM Lunar Foundation Model, un modelo fundacional de código abierto diseñado específicamente para trabajar con la enorme cantidad de información científica acumulada sobre la Luna durante décadas. La idea no es simplemente añadir inteligencia artificial a la exploración espacial, sino resolver un problema bastante concreto: tenemos millones de imágenes, mapas y mediciones tomadas por instrumentos diferentes, con resoluciones y características distintas, y relacionarlas entre sí sigue siendo una tarea compleja. El nuevo modelo pretende servir como una base común desde la que los investigadores puedan estudiar posibles depósitos de hielo, identificar y clasificar cráteres o reconstruir mejor la historia volcánica de nuestro satélite.

Datos, desde luego, no faltan. El Lunar Reconnaissance Orbiter lleva desde 2009 observando prácticamente toda la superficie lunar y ha generado una cantidad extraordinaria de información, a la que se suman las mediciones de misiones como GRAIL, Lunar Prospector y la japonesa SELENE/Kaguya. El problema es que no todos esos instrumentos observan lo mismo ni de la misma manera: unos pueden resolver detalles de apenas unos metros y otros trabajan a escalas de cientos o miles. IBM y NASA han reunido ahora más de 30 capas de información espacialmente alineadas, procedentes de nueve instrumentos y cuatro misiones, creando además un conjunto de datos abierto y preparado específicamente para aprendizaje automático. Para entrenar el modelo se utilizaron alrededor de dos millones de conjuntos de imágenes y mapas lunares.

Ahí es donde cobra sentido hablar de un modelo fundacional. En lugar de crear desde cero un sistema independiente para cada problema —uno para cráteres, otro para hielo, otro para vulcanismo—, IBM y NASA han entrenado una base común capaz de aprender relaciones entre múltiples tipos de observación y diferentes resoluciones. Después puede especializarse con cantidades mucho menores de información etiquetada para resolver tareas concretas. Personalmente, este me parece uno de esos terrenos en los que el concepto resulta especialmente fácil de justificar: no necesitamos que una IA improvise una explicación convincente sobre la Luna, sino que encuentre patrones entre millones de observaciones que ningún equipo de investigadores podría revisar manualmente una por una.

La búsqueda de hielo lunar es probablemente la aplicación que más atención puede atraer. Las regiones permanentemente en sombra de los polos se encuentran entre los lugares más difíciles de estudiar, pero también podrían conservar depósitos de hielo durante periodos extraordinariamente largos. Localizarlos resulta importante para comprender mejor la historia de la Luna, pero también tiene una dimensión práctica pensando en futuras misiones tripuladas. El agua podría utilizarse para consumo, para obtener oxígeno y, potencialmente, como materia prima para producir propelente. El modelo no detecta directamente agua escondida bajo la superficie, sino que combina temperatura, topografía y otras observaciones para estimar qué regiones presentan un mayor potencial de albergar hielo.

Los primeros resultados permiten hacerse una idea de por qué puede resultar útil. En las pruebas publicadas por IBM y NASA, el Lunar Foundation Model redujo alrededor de un 22% el error al identificar zonas con alta probabilidad de hielo frente a un modelo SwinV2-B utilizado como referencia. En detección de cráteres a escalas cercanas a los 100 metros logró una mejora próxima al 19% utilizando solamente la mitad de los datos de entrenamiento, mientras que a resolución métrica obtuvo una precisión comparable con un coste de adaptación menor. También mejoró aproximadamente un 3% la delimitación de las denominadas Irregular Mare Patches, unas formaciones que ayudan a reconstruir la actividad volcánica y la evolución térmica de la Luna. No hay, por tanto, un único “23% mejor” aplicable a todo: el rendimiento depende mucho de la tarea concreta.

Hay además un ejemplo mucho más fácil de visualizar que cualquier benchmark. El pasado agosto, una etapa superior de Falcon 9 terminó impactando contra la superficie lunar cerca del cráter Einstein. El Lunar Reconnaissance Orbiter fotografió posteriormente la zona y el modelo fue capaz de localizar el nuevo cráter entre los que ya existían. La prueba tenía un detalle especialmente interesante: la imagen tomada después del impacto se había excluido del entrenamiento previo, por lo que el sistema no podía limitarse a reconocer algo que ya hubiera visto anteriormente. La Luna había cambiado y el modelo fue capaz de señalar dónde se había producido ese cambio, exactamente el tipo de aplicación que ayuda a entender qué aporta una herramienta de este tipo más allá de una colección de porcentajes.

Otro elemento importante es que el modelo, su código y los datos necesarios para trabajar con él son abiertos. Se distribuye bajo licencia Apache 2.0 y está disponible para que universidades, centros de investigación y otros equipos puedan reproducir los resultados, adaptarlo a nuevos problemas o desarrollar aplicaciones que IBM y NASA ni siquiera hayan contemplado todavía. El proyecto continúa además una colaboración que ya ha dado lugar a otros modelos científicos abiertos, como Prithvi para observación terrestre y Surya para heli física. La filosofía es la misma: en lugar de construir un algoritmo completamente nuevo para cada pregunta científica, ofrecer una base común que pueda especializarse y reutilizarse.

El momento tampoco es casual. Volver a la Luna con Artemis no consiste únicamente en conseguir que unos astronautas vuelvan a pisarla, sino en preparar operaciones cada vez más prolongadas y, a largo plazo, una presencia humana sostenible. Eso exige nuevos cohetes, naves, trajes e infraestructuras, pero también entender muchísimo mejor el lugar al que queremos regresar: dónde puede haber recursos, qué terrenos presentan riesgos, cómo ha evolucionado la superficie y qué zonas merecen una observación más detallada. IBM y NASA llevan décadas acumulando las piezas de ese enorme mapa; este modelo intenta conseguir que encajen entre sí. Y quizá ahí esté una de las aplicaciones más interesantes de la IA científica: no sustituir a un nuevo instrumento, sino conseguir que todos los que ya hemos enviado al espacio empiecen, por fin, a trabajar juntos.

Más información